JP5806081B2 - レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム - Google Patents

レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム Download PDF

Info

Publication number
JP5806081B2
JP5806081B2 JP2011234724A JP2011234724A JP5806081B2 JP 5806081 B2 JP5806081 B2 JP 5806081B2 JP 2011234724 A JP2011234724 A JP 2011234724A JP 2011234724 A JP2011234724 A JP 2011234724A JP 5806081 B2 JP5806081 B2 JP 5806081B2
Authority
JP
Japan
Prior art keywords
recommendation
correlation
history information
calculated
content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2011234724A
Other languages
English (en)
Other versions
JP2012216175A (ja
Inventor
祥 佐々木
祥 佐々木
柳原　広昌
広昌 柳原
由希子 土生
由希子 土生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KDDI Corp
Original Assignee
KDDI Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KDDI Corp filed Critical KDDI Corp
Priority to JP2011234724A priority Critical patent/JP5806081B2/ja
Priority to CN 201210026266 priority patent/CN103077469A/zh
Priority to CN201210083737.5A priority patent/CN102737095B/zh
Priority to PCT/JP2012/002148 priority patent/WO2012132427A1/ja
Publication of JP2012216175A publication Critical patent/JP2012216175A/ja
Application granted granted Critical
Publication of JP5806081B2 publication Critical patent/JP5806081B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、バッチ処理とリアルタイム処理とを行い、両処理のレコメンド結果を統合して、最終的なレコメンド結果を出力するレコメンド装置、レコメンドシステム、レコメンド方法およびプログラムに関する。
近年、ユーザの履歴情報などを基にユーザの嗜好を推測し、ユーザの嗜好に適合すると推測されるコンテンツなどを自動的にレコメンドする「レコメンドサービス」が盛んに行われている。このようなレコメンドサービスにおいて利用されている代表的な技術が「協調フィルタリング」と呼ばれているものである。この協調フィルタリングは、購買履歴や閲覧履歴等のユーザの履歴情報を、各ユーザ間、あるいは各コンテンツ間で比較することで相関性を定義し、その相関性を元にユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する手法である。この協調フィルタリングについては、自動化や高速化等の改良技術が知られている（例えば、非特許文献１、非特許文献２、非特許文献３、非特許文献４参照。）。
Ｐ.Ｒｅｓｎｉｃｋ, Ｎ.Ｉａｃｏｖｏｕ, Ｍ.Ｓｕｃｈａｋ, Ｐ.Ｂｅｒｇｓｔｒｏｍ, ａｎｄ Ｊ.Ｒｉｅｄｌ. "ＧｒｏｕｐＬｅｎｓ： Ｏｐｅｎ Ａｒｃｈｉｔｅｃｔｕｒｅ ｆｏｒ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ ｏｆ Ｎｅｔｎｅｗｓ" Ｉｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｓｕｐｐｏｒｔｅｄ Ｃｏｏｐｅｒａｔｉｖｅ Ｗｏｒｋ, ｐｐ. １７５−１８６ （１９９４） Ｔ.Ｈｏｆｍａｎｎ ａｎｄ Ｊ.Ｐｕｚｉｃｈａ, "Ｌａｔｅｎｔ Ｃｌａｓｓ Ｍｏｄｅｌｓ ｆｏｒ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ", １６ｔｈ ＩＪＣＡＩ （１９９９） 百田信, 伊東栄典，"ソーシャルブックマークに基づく情報発見,"ＤＥＷＳ ２００８, Ｉ１−１５, Ｍａｒ.２００８. Ｂａｄｒｕｌ Ｓａｒｗａｒ， Ｇｅｏｒｇｅ Ｋａｒｙｐｉｓ， Ｊｏｓｅｐｈ Ｋｏｎｓｔａｎ， ａｎｄ Ｊｏｈｎ Ｒｅｉｄｌ． ２００１． Ｉｔｅｍ−ｂａｓｅｄ ｃｏｌｌａｂｏｒａｔｉｖｅ ｆｉｌｔｅｒｉｎｇ ｒｅｃｏｍｍｅｎｄａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ． Ｉｎ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １０ｔｈ ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ ’Ｗｉｄｅ Ｗｅｂ （ＷＷＷ ‘０１）． ＡＣＭ， Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ， ２８５−２９５．
ここで、非特許文献１や非特許文献４に記載の技術では、推薦要求毎に履歴情報を解析してレコメンド結果を生成するため、常に、最新の履歴情報を利用したレコメンドが可能となるが、この技術では、履歴情報が膨大になると解析に必要な計算量が増大するため、リアルタイムでのレコメンドが困難となるという問題点があった。
非特許文献２に記載の技術では、事前に履歴情報を解析して相関性を定義するため、非特許文献１に記載の技術と比較して推薦要求時に解析する計算量が小さくなり、リアルタイムでのレコメンドの実現を容易にするが、この技術では、解析の時点での履歴情報のみを用いて相関性を定義するため、最新の履歴情報が利用されないという問題点があった。
非特許文献３に記載の技術では、履歴情報を解析する対象を予め選別し、代表ユーザと被推薦対象ユーザとの間でのみ相関性を定義するため、非特許文献１に記載の技術と比較して推薦要求時に解析する計算量が小さくなり、リアルタイムでのレコメンドの実現を容易にするが、非特許文献３に記載の技術では、利用する履歴情報を制限することとなり、レコメンドとしての精度を低下させるという問題点があった。
そこで、本発明は、上述の課題に鑑みてなされたものであり、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現するレコメンド装置、レコメンドシステム、レコメンド方法およびプログラムを提供することを目的とする。
本発明は、上記の課題を解決するために、以下の事項を提案している。なお、理解を容易にするために、本発明の実施形態に対応する符号を付して説明するが、これに限定されるものではない。
（１）本発明は、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド装置であって、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理手段（例えば、図１のバッチ処理部１１００に相当）と、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理手段（例えば、図１のリアルタイム処理部１２００に相当）と、前記バッチ処理手段の出力または／および前記リアルタイム処理手段の出力を統合してレコメンド結果を出力するレコメンド結果出力手段（例えば、図１のレコメンド結果出力部１３００に相当）と、を備えたことを特徴とするレコメンド装置を提案している。
この発明によれば、バッチ処理手段は、履歴情報を事前に解析してレコメンドに必要な情報を生成する。リアルタイム処理手段は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する。レコメンド結果出力手段は、バッチ処理手段の出力または／およびリアルタイム処理手段の出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（２）本発明は、（１）のレコメンド装置について、前記バッチ処理手段が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図２の履歴情報収集部１１０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図２の相関性算出部１１０２に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図２の推薦度算出部１１０３に相当）と、該算出した推薦度を記憶する記憶手段（例えば、図２の記憶部１１０４に相当）と、を備え、前記リアルタイム処理手段が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図２の履歴情報収集部１２０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段（例えば、図２の相関性算出部１２０２に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図２の推薦度算出部１２０３に相当）と、を備え、前記レコメンド結果出力手段が、前記記憶されたコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置を提案している。
この発明によれば、バッチ処理手段の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、算出した推薦度を記憶する。リアルタイム処理手段の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第２の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第２の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド結果出力手段は、記憶されたコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（３）本発明は、（１）のレコメンド装置について、前記バッチ処理手段が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図５の履歴情報収集部１１０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図５の相関性算出部１１０２に相当）と、該算出した相関性を記憶する記憶手段（例えば、図５の記憶部１１１５に相当）と、を備え、前記リアルタイム処理手段が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図５の履歴情報収集部１２０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段（例えば、図５の相関性算出部１２０２に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図５の推薦度算出部１２０３に相当）と、前記記憶された相関性を取得する取得手段（例えば、図５の取得部１２１４に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図５の推薦度算出部１２１５に相当）と、を備え、前記レコメンド結果出力手段（例えば、図５のレコメンド結果出力部１３１０に相当）が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置を提案している。
この発明によれば、バッチ処理手段の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。記憶手段は、算出した相関性を記憶する。リアルタイム処理手段の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第２の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。取得手段は、記憶された相関性を取得する。第２の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド結果出力手段は、第１の推薦度算出手段により算出したコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、リアルタイム処理手段が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（４）本発明は、（１）のレコメンド装置について、前記バッチ処理手段が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図８の履歴情報収集部１１０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図８の相関性算出部１１０２に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図８の推薦度算出部１１０３に相当）と、該定義した相関性および算出した推薦度を記憶する記憶手段（例えば、図８の記憶部１１２６に相当）と、を備え、前記リアルタイム処理手段が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図８の履歴情報収集部１２０１に相当）と、前記定義した相関性および算出した推薦度を取得する取得手段（例えば、図８の取得部１２２７に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図８の推薦度算出部１２２６に相当）と、前記レコメンド結果出力手段（例えば、図８のレコメンド結果出力部１３２０に相当）が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置を提案している。
この発明によれば、バッチ処理手段の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、定義した相関性および算出した推薦度を記憶する。リアルタイム処理手段の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。取得手段は、定義した相関性および算出した推薦度を取得する。第２の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド結果出力手段は、第１の推薦度算出手段により算出したコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度と、リアルタイム処理がバッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（５）本発明は、バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムであって、前記バッチ処理装置（例えば、図１０のバッチ処理装置４００に相当）は、前記履歴情報を事前に解析してレコメンドに必要な情報を生成し、前記リアルタイム処理装置（例えば、図１０のリアルタイム処理装置５００に相当）は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、前記レコメンド結果出力装置（例えば、図１０のレコメンド結果出力装置６００に相当）は、前記バッチ処理装置の出力または／および前記リアルタイム処理装置の出力を統合してレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
この発明によれば、バッチ処理装置は、履歴情報を事前に解析してレコメンドに必要な情報を生成し、リアルタイム処理装置は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、レコメンド結果出力装置は、バッチ処理装置の出力または／およびリアルタイム処理装置の出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（６）本発明は、（５）のレコメンドシステムについて、前記バッチ処理装置が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図１１の履歴情報収集部４０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図１１の相関性算出部４０２に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図１１の推薦度算出部４０３に相当）と、該算出した推薦度を記憶する記憶手段（例えば、図１１の記憶部４０４に相当）と、を備え、前記リアルタイム処理装置が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図１１の履歴情報収集部５０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段（例えば、図１１の相関性算出部５０２に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図１１の推薦度算出部５０３に相当）と、を備え、前記レコメンド結果出力装置が、前記記憶されたコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
この発明によれば、バッチ処理装置の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、算出した推薦度を記憶する。リアルタイム処理装置の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第２の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第２の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド装置は、記憶されたコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（７）本発明は、（５）のレコメンドシステムについて、前記バッチ処理装置が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図１４の履歴情報収集部４０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図１４の相関性算出部４０２に相当）と、該算出した相関性を記憶する記憶手段（例えば、図１４の記憶部４１５に相当）と、を備え、前記リアルタイム処理装置が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図１４の履歴情報収集部５０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段（例えば、図１４の相関性算出部５０２に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図１４の推薦度算出部５０３に相当）と、前記記憶された相関性を取得する取得手段（例えば、図１４の取得部５１４に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図１４の推薦度算出部５１５に相当）と、を備え、前記レコメンド装置が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
この発明によれば、バッチ処理装置の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。記憶手段は、算出した相関性を記憶する。リアルタイム処理装置の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。第２の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。取得手段は、記憶された相関性を取得する。第２の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド装置は、第１の推薦度算出手段により算出したコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、リアルタイム処理手段が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（８）本発明は、（５）のレコメンドシステムについて、前記バッチ処理装置が、解析に必要な履歴情報を収集する第１の履歴情報収集手段（例えば、図１７の履歴情報収集部４０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段（例えば、図１７の相関性算出部４０２に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段（例えば、図１７の推薦度算出部４０３に相当）と、該定義した相関性および算出した推薦度を記憶する記憶手段（例えば、図１７の記憶部４２６に相当）と、を備え、前記リアルタイム処理装置が、解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段（例えば、図１７の履歴情報収集部５０１に相当）と、前記定義した相関性および算出した推薦度を取得する取得手段（例えば、図１７の取得部５２７に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段（例えば、図１７の推薦度算出部５２６に相当）と、前記レコメンド装置が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステムを提案している。
この発明によれば、バッチ処理装置の第１の履歴情報収集手段は、解析に必要な履歴情報を収集する。第１の相関性算出手段は、収集した履歴情報を解析して、相関性を定義する。第１の推薦度算出手段は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶手段は、定義した相関性および算出した推薦度を記憶する。リアルタイム処理装置の第２の履歴情報収集手段は、解析に必要な履歴情報をリアルタイムに収集する。取得手段は、定義した相関性および算出した推薦度を取得する。第２の推薦度算出手段は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。レコメンド装置は、第１の推薦度算出手段により算出したコンテンツごとの推薦度と第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度と、リアルタイム処理がバッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（９）本発明は、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法であって、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、前記バッチ処理ステップの出力または／および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、を備えたことを特徴とするレコメンド方法を提案している。
この発明によれば、履歴情報を事前に解析してレコメンドに必要な情報を生成し、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、バッチ処理ステップの出力または／およびリアルタイム処理ステップの出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（１０）本発明は、（９）のレコメンド方法について、前記バッチ処理ステップが、解析に必要な履歴情報を収集する第１のステップ（例えば、図３のステップＳ１０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２のステップ（例えば、図３のステップＳ１０２に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第３のステップ（例えば、図３のステップＳ１０３に相当）と、該算出した推薦度を記憶する第４のステップ（例えば、図３のステップＳ１０４に相当）と、を備え、前記リアルタイム処理ステップが、解析に必要な履歴情報をリアルタイムに収集する第５のステップ（例えば、図３のステップＳ１０５に相当）と、該収集した履歴情報を解析して、相関性を定義する第６のステップ（例えば、図３のステップＳ１０６に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第７のステップ（例えば、図３のステップＳ１０７に相当）と、を備え、前記レコメンド結果出力ステップが、前記第４のステップにおいて記憶されたコンテンツごとの推薦度と前記第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法を提案している。
この発明によれば、解析に必要な履歴情報を収集し、収集した履歴情報を解析して、相関性を定義する。次に、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し、算出した推薦度を記憶する。さらに、解析に必要な履歴情報をリアルタイムに収集し、収集した履歴情報を解析して、相関性を定義する。次に、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。そして、第４のステップにおいて記憶されたコンテンツごとの推薦度と第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（１１）本発明は、（９）のレコメンド方法について、前記バッチ処理ステップが、解析に必要な履歴情報を収集する第１のステップ（例えば、図６のステップＳ２０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２のステップ（例えば、図６のステップＳ２０２に相当）と、該算出した相関性を記憶する第３のステップ（例えば、図６のステップＳ２０３に相当）と、を備え、前記リアルタイム処理ステップが、解析に必要な履歴情報をリアルタイムに収集する第４のステップ（例えば、図６のステップＳ２０４に相当）と、該収集した履歴情報を解析して、相関性を定義する第５のステップ（例えば、図６のステップＳ２０５に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第６のステップ（例えば、図６のステップＳ２０６に相当）と、前記記憶された相関性を取得する第７のステップ（例えば、図６のステップＳ２０７に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第８のステップ（例えば、図６のステップＳ２０８に相当）と、を備え、前記レコメンド結果出力ステップが、前記第６のステップにより算出したコンテンツごとの推薦度と前記第８のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法を提案している。
この発明によれば、解析に必要な履歴情報を収集し、収集した履歴情報を解析して、相関性を定義して、算出した相関性を記憶する。さらに、解析に必要な履歴情報をリアルタイムに収集し、収集した履歴情報を解析して、相関性を定義して、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。次に、記憶された相関性を取得し、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。そして、第６のステップにより算出したコンテンツごとの推薦度と第８のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、リアルタイム処理手段が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（１２）本発明は、（９）のレコメンド方法について、前記バッチ処理ステップが、解析に必要な履歴情報を収集する第１のステップ（例えば、図９のステップＳ３０１に相当）と、該収集した履歴情報を解析して、相関性を定義する第２のステップ（例えば、図９のステップＳ３０２に相当）と、該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第３のステップ（例えば、図９のステップＳ３０３に相当）と、該定義した相関性および算出した推薦度を記憶する第４のステップ（例えば、図９のステップＳ３０４に相当）と、を備え、前記リアルタイム処理ステップが、解析に必要な履歴情報をリアルタイムに収集する第５のステップ（例えば、図９のステップＳ３０５に相当）と、前記定義した相関性および算出した推薦度を取得する第６のステップ（例えば、図９のステップＳ３０６に相当）と、該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第７のステップ（例えば、図９のステップＳ３０７に相当）と、前記レコメンド結果出力手段が、前記第３のステップにより算出したコンテンツごとの推薦度と前記第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法を提案している。
この発明によれば、解析に必要な履歴情報を収集し、収集した履歴情報を解析して、相関性を定義して、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出して、定義した相関性および算出した推薦度を記憶する。さらに、解析に必要な履歴情報をリアルタイムに収集し、定義した相関性および算出した推薦度を取得して、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。そして、第３のステップにより算出したコンテンツごとの推薦度と第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力する。したがって、バッチ処理において算出した相関性を用いた推薦度と、リアルタイム処理がバッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（１３）本発明は、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法をコンピュータに実行させるためのプログラムであって、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、前記バッチ処理ステップの出力または／および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、をコンピュータに実行させるためのプログラムを提案している。
この発明によれば、履歴情報を事前に解析してレコメンドに必要な情報を生成し、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成し、バッチ処理ステップの出力または／およびリアルタイム処理ステップの出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
（１４）本発明は、バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を各ユーザ間で比較して相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムにおけるレコメンド方法をコンピュータに実行させるためのプログラムであって、前記バッチ処理装置が、前記履歴情報を事前に解析してレコメンドに必要な情報を生成する第１のステップと、前記リアルタイム処理装置が、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する第２のステップと、前記レコメンド装置が、前記第１のステップの出力または／および前記第２のステップの出力を統合してレコメンド結果を出力する第３のステップと、をコンピュータに実行させるためのプログラムを提案している。
この発明によれば、バッチ処理装置が、履歴情報を事前に解析してレコメンドに必要な情報を生成し、リアルタイム処理装置が、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成する。そして、レコメンド装置が、第１のステップの出力または／および第２のステップの出力を統合してレコメンド結果を出力する。したがって、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
本発明によれば、バッチ処理部によってすべての履歴情報を利用したレコメンド結果を提供し、かつ、リアルタイム処理部によって要求発生時の最新の履歴情報を反映させたレコメンド結果を提供することが可能となるという効果がある。
本発明の第１の実施形態に係るレコメンド装置の構成を示す図である。 本発明の第１の実施形態に係るレコメンド装置の詳細な構成を示す図である。 本発明の第１の実施形態に係るレコメンド装置の処理を示す図である。 本発明の第２の実施形態に係るレコメンド装置の構成を示す図である。 本発明の第２の実施形態に係るレコメンド装置の詳細な構成を示す図である。 本発明の第２の実施形態に係るレコメンド装置の処理を示す図である。 本発明の第３の実施形態に係るレコメンド装置の構成を示す図である。 本発明の第３の実施形態に係るレコメンド装置の詳細な構成を示す図である。 本発明の第３の実施形態に係るレコメンド装置の処理を示す図である。 本発明の第４の実施形態に係るレコメンドシステムの構成を示す図である。 本発明の第４の実施形態に係るレコメンドシステムの詳細な構成を示す図である。 本発明の第４の実施形態に係るレコメンドシステムの処理を示す図である。 本発明の第５の実施形態に係るレコメンドシステムの構成を示す図である。 本発明の第５の実施形態に係るレコメンドシステムの詳細な構成を示す図である。 本発明の第５の実施形態に係るレコメンドシステムの処理を示す図である。 本発明の第６の実施形態に係るレコメンドシステムの構成を示す図である。 本発明の第６の実施形態に係るレコメンドシステムの詳細な構成を示す図である。 本発明の第６の実施形態に係るレコメンドシステムの処理を示す図である。 本発明の第１の実施形態の実施例１に係るレコメンド装置の構成を示す図である。 本発明の第１の実施形態の実施例１に係るレコメンド装置の構成を示す図である。 本発明の第１の実施形態の実施例１に係るレコメンド装置における推薦処理に利用するユーザの処理を模式的に示す図である。 本発明の第３の実施形態の実施例２に係るレコメンド装置の構成を示す図である。 本発明の第３の実施形態の実施例２に係るレコメンド装置の処理を示す図である。
以下、本発明の実施形態について、図面を用いて、詳細に説明する。
なお、本実施形態における構成要素は適宜、既存の構成要素等との置き換えが可能であり、また、他の既存の構成要素との組合せを含む様々なバリエーションが可能である。したがって、本実施形態の記載をもって、特許請求の範囲に記載された発明の内容を限定するものではない。
＜第１の実施形態＞
図１および図３を用いて、本発明の第１の実施形態について説明する。
＜レコメンド装置の構成＞
図１を用いて、本実施形態に係るレコメンド装置の構成について説明する。
本実施形態に係るレコメンド装置１０００は、図１に示すように、バッチ処理部１１００と、リアルタイム処理部１２００と、レコメンド結果出力部１３００とから構成され、バッチ処理部１１００には、データベース２００が、リアルタイム処理部１２００には、データベース３００が接続されている。
なお、データベース２００には、例えば、ユーザ１００人分のデータが格納されているが、データベース３００には、リアルタイム処理を行うため、例えば、所定の規則で間引かれたユーザ１０人分のデータが格納されている。本実施形態に係るレコメンド装置１０００は、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理部１１００の結果とリアルタイム処理部１２００の結果とをレコメンド結果出力部１３００で統合して出力する。なお、統合の方法としては、２つの結果を加算してレコメンド結果を出力してもよいし、時間帯によって、バッチ処理あるいはリアルタイム処理のいずれか一方の結果をそのままレコメンド結果を出力してもよい。また、２つの結果の平均値や加重平均をレコメンド結果として出力してもよい。
＜レコメンド装置の詳細な構成＞
本実施形態に係るレコメンド装置は、図２に示すように、バッチ処理部１１００を構成する履歴情報収集部１１０１と、相関性算出部１１０２と、推薦度算出部１１０３と、記憶部１１０４と、リアルタイム処理部１２００を構成する履歴情報収集部１２０１と、相関性算出部１２０２と、推薦度算出部１２０３と、レコメンド結果出力部１３００とから構成されている。
履歴情報収集部１１０１は、解析に必要な履歴情報をデータベース２００から収集する。相関性算出部１１０２は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部１１０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶部１１０４は、算出した推薦度を記憶する。
履歴情報収集部１２０１は、解析に必要な履歴情報をデータベース３００から収集する。相関性算出部１２０２は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部１２０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力部１３００は、記憶部１１０４に記憶されたコンテンツごとの推薦度と推薦度算出部１２０３により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンド装置の処理＞
図３を用いて、本実施形態に係るレコメンド装置の処理について説明する。
まず、バッチ処理部１１００の履歴情報収集部１１０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ１０１）、相関性算出部１１０２は、収集した履歴情報を解析して、相関性を、例えば、二人のユーザの履歴を比較して同時に履歴を持つコンテンツ数を元に、または、二つのコンテンツの履歴を比較して同時に履歴を持つコンテンツ数を元に定義する（ステップＳ１０２）。推薦度算出部１１０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を、例えば、当該ユーザのコンテンツの履歴を持つ他のユーザとの相関性、または、当該ユーザの履歴に存在するコンテンツと他のコンテンツとの相関性を元に算出し（ステップＳ１０３）、記憶部１１０４は、算出した推薦度を記憶する（ステップＳ１０４）。
リアルタイム処理部１２００の履歴情報収集部１２０１は、解析に必要な履歴情報をデータベース３００から収集し（ステップＳ１０５）、相関性算出部１２０２は、収集した履歴情報を解析して、相関性を、前述同様に定義する（ステップＳ１０６）。推薦度算出部１２０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を、前述同様に算出する（ステップＳ１０７）。
そして、レコメンド結果出力部１３００は、記憶部１１０４に記憶されたコンテンツごとの推薦度と推薦度算出部１２０３により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ１０８）。
以上、説明したように、本実施形態によれば、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜第２の実施形態＞
図４から図６を用いて、本発明の第２の実施形態について説明する。
＜レコメンド装置の構成＞
図４を用いて、本実施形態に係るレコメンド装置の構成について説明する。
本実施形態に係るレコメンド装置１０００は、図４に示すように、バッチ処理部１１１０と、リアルタイム処理部１２１０と、レコメンド結果出力部１３１０とから構成され、バッチ処理部１１１０には、データベース２００が、リアルタイム処理部１２１０には、データベース３００が接続されている。
本実施形態に係るレコメンド装置１０００は、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、リアルタイム処理部１２１０からの２つの結果をレコメンド結果出力部１３１０で統合して出力する。なお、統合の方法としては、２つの結果を加算してレコメンド結果を出力してもよいし、時間帯によって、バッチ処理あるいはリアルタイム処理のいずれか一方の結果をそのままレコメンド結果を出力してもよい。また、２つの結果の平均値や加重平均をレコメンド結果として出力してもよい。
＜レコメンド装置の詳細な構成＞
本実施形態に係るレコメンド装置は、図５に示すように、バッチ処理部１１１０を構成する履歴情報収集部１１０１と、相関性算出部１１０２と、記憶部１１１５と、リアルタイム処理部１２１０を構成する履歴情報収集部１２０１と、相関性算出部１２０２と、推薦度算出部１２０３と、取得部１２１４と、推薦度算出部１２１５と、レコメンド結果出力部１３１０とから構成されている。なお、第１の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
記憶部１１１５は、算出した相関性を記憶する。取得部１２１４は、記憶部１１１５に記憶された相関性を取得する。推薦度算出部１２１５は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力部１３１０は、推薦度算出部１２０３により算出したコンテンツごとの推薦度と推薦度算出部１２１５により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンド装置の処理＞
図６を用いて、本実施形態に係るレコメンド装置の処理について説明する。
まず、バッチ処理部１１１０の履歴情報収集部１１０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ２０１）、相関性算出部１１０２は、収集した履歴情報を解析して、相関性を定義し（ステップＳ２０２）、記憶部１１１５は、算出した相関性を記憶する（ステップＳ２０３）。
リアルタイム処理部１２１０の履歴情報収集部１２０１は、解析に必要な履歴情報をデータベース３００から収集し（ステップＳ２０４）、相関性算出部１２０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ２０５）。推薦度算出部１２０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ２０６）。また、取得部１２１４は、記憶部１１１５に記憶された相関性を取得し（ステップＳ２０７）、推薦度算出部１２１５は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ２０８）。
そして、レコメンド結果出力部１３１０は、推薦度算出部１２０３により算出したコンテンツごとの推薦度と推薦度算出部１２１５により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ２０９）。
以上、説明したように、本実施形態によれば、リアルタイム処理部が、バッチ処理で算出した相関性とリアルタイム処理で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜第３の実施形態＞
図７および図９を用いて、本発明の第３の実施形態について説明する。
＜レコメンド装置の構成＞
図７を用いて、本実施形態に係るレコメンド装置の構成について説明する。
本実施形態に係るレコメンド装置１０００は、図７に示すように、バッチ処理部１１２０と、リアルタイム処理部１２２０と、レコメンド結果出力部１３２０とから構成され、バッチ処理部１１２０には、データベース２００が、リアルタイム処理部１２２０には、データベース３００が接続されている。
本実施形態に係るレコメンド装置１０００は、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理部１１２０が結果をリアルタイム処理部１２２０に送信するとともに、バッチ処理部１１２０とリアルタイム処理部１２２０とからの２つの結果をレコメンド結果出力部１３２０で統合して出力する。なお、統合の方法としては、２つの結果を加算してレコメンド結果を出力してもよいし、時間帯によって、バッチ処理あるいはリアルタイム処理のいずれか一方の結果をそのままレコメンド結果を出力してもよい。また、２つの結果の平均値や加重平均をレコメンド結果として出力してもよい。
＜レコメンド装置の詳細な構成＞
本実施形態に係るレコメンド装置は、図８に示すように、バッチ処理部１１２０を構成する履歴情報収集部１１０１と、相関性算出部１１０２と、推薦度算出部１１０３と、記憶部１１２６と、リアルタイム処理部１２２０を構成する履歴情報収集部１２０１と、推薦度算出部１２２６と、取得部１２２７と、レコメンド結果出力部１３２０とから構成されている。なお、第１の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
記憶部１１２６は、相関性算出部１１０２において定義した相関性および推薦度算出部１１０３において算出した推薦度を記憶する。取得部１２２７は、記憶部１１２６に記憶された相関性算出部１１０２において定義した相関性および推薦度算出部１１０３において算出した推薦度を取得する。推薦度算出部１２２６は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力部１３２０は、推薦度算出部１１０３により算出したコンテンツごとの推薦度と推薦度算出部１２２６により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンド装置の処理＞
図９を用いて、本実施形態に係るレコメンド装置の処理について説明する。
まず、バッチ処理部１１２０の履歴情報収集部１１０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ３０１）、相関性算出部１１０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ３０２）。推薦度算出部１１０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し（ステップＳ３０３）、記憶部１１２６は、相関性算出部１１２において定義した相関性および推薦度算出部１１０３において算出した推薦度を記憶する（ステップＳ３０４）。
リアルタイム処理部１２２０の履歴情報収集部１２０１は、解析に必要な履歴情報をデータベース３００から収集する（ステップＳ３０５）。取得部１２２７は、記憶部１１２６に記憶された相関性算出部１１０２において定義した相関性および推薦度算出部１１０３において算出した推薦度を取得し（ステップＳ３０６）、推薦度算出部１２２６は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ３０７）。
そして、レコメンド結果出力部１３２０は、推薦度算出部１１０３により算出したコンテンツごとの推薦度と推薦度算出部１２２６により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ３０８）。
以上、説明したように、本実施形態によれば、バッチ処理において算出した相関性を用いた推薦度とリアルタイム処理が、バッチ処理において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜第４の実施形態＞
図１０から図１２を用いて、本発明の第４の実施形態について説明する。
＜レコメンドシステムの構成＞
図１０を用いて、本実施形態に係るレコメンドシステムの構成について説明する。
本実施形態に係るレコメンドシステムは、図１０に示すように、バッチ処理装置４００と、リアルタイム処理装置５００と、レコメンド結果出力装置６００とから構成され、バッチ処理装置４００には、データベース２００が、リアルタイム処理装置５００には、データベース３００が接続されている。
なお、本実施形態に係るレコメンドシステムは、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理装置４００の結果とリアルタイム処理装置５００の結果とをレコメンド結果出力装置６００で統合して出力する。なお、バッチ処理装置４００としては、演算処理能力が高いクラウドサーバ、リアルタイム処理装置５００としては、バッチ処理装置４００同様に演算処理能力が高いクラウドサーバに加えて、比較的演算処理能力が低い携帯端末やＳＴＢ（Ｓｅｔ Ｔｏｐ Ｂｏｘ）等での実施が例示できるが、これに限るものではない。
＜レコメンドシステムの詳細な構成＞
本実施形態に係るレコメンドシステムは、図１１に示すように、バッチ処理装置４００を構成する履歴情報収集部４０１と、相関性算出部４０２と、推薦度算出部４０３と、記憶部４０４と、リアルタイム処理装置５００を構成する履歴情報収集部５０１と、相関性算出部５０２と、推薦度算出部５０３と、レコメンド結果出力装置６００とから構成されている。
履歴情報収集部４０１は、解析に必要な履歴情報をデータベース２００から収集する。相関性算出部４０２は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部４０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。記憶部４０４は、算出した推薦度を記憶する。
履歴情報収集部５０１は、解析に必要な履歴情報をデータベース３００から収集する。相関性算出部５０２は、収集した履歴情報を解析して、相関性を定義する。推薦度算出部５０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力装置６００は、記憶部４０４に記憶されたコンテンツごとの推薦度と推薦度算出部５０３により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンドシステムの処理＞
図１２を用いて、本実施形態に係るレコメンドシステムの処理について説明する。
まず、バッチ処理装置４００の履歴情報収集部４０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ４０１）、相関性算出部４０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ４０２）。推薦度算出部４０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し（ステップＳ４０３）、記憶部４０４は、算出した推薦度を記憶する（ステップＳ４０４）。
リアルタイム処理装置５００の履歴情報収集部５０１は、解析に必要な履歴情報をデータベース３００から収集し（ステップＳ４０５）、相関性算出部５０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ４０６）。推薦度算出部５０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ４０７）。
そして、レコメンド結果出力装置６００は、記憶部４０４に記憶されたコンテンツごとの推薦度と推薦度算出部５０３により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ４０８）。
以上、説明したように、本実施形態によれば、バッチ処理装置において算出した相関性を用いた推薦度とリアルタイム処理装置において算出した相関性を用いた推薦度とからレコメンド装置がレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜第５の実施形態＞
図１３から図１５を用いて、本発明の第５の実施形態について説明する。
＜レコメンドシステムの構成＞
図１３を用いて、本実施形態に係るレコメンドシステムの構成について説明する。
本実施形態に係るレコメンドシステムは、図１３に示すように、バッチ処理装置４１０と、リアルタイム処理装置５１０と、レコメンド結果出力装置６１０とから構成され、バッチ処理装置４１０には、データベース２００が、リアルタイム処理装置５１０には、データベース３００が接続されている。
本実施形態に係るレコメンドシステムは、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、リアルタイム処理装置４１０からの２つの結果をレコメンド結果出力装置６１０で統合して出力する。なお、バッチ処理装置４１０としては、演算処理能力が高いクラウドサーバ、リアルタイム処理装置５１０としては、バッチ処理装置４１０同様に演算処理能力が高いクラウドサーバに加えて、比較的演算処理能力が低い携帯端末やＳＴＢ（Ｓｅｔ Ｔｏｐ Ｂｏｘ）等での実施が例示できるが、これに限るものではない。
＜レコメンドシステムの詳細な構成＞
本実施形態に係るレコメンドシステムは、図１４に示すように、バッチ処理装置４１０を構成する履歴情報収集部４０１と、相関性算出部４０２と、記憶部４１５と、リアルタイム処理装置５１０を構成する履歴情報収集部５０１と、相関性算出部５０２と、推薦度算出部５０３と、取得部５１４と、推薦度算出部５１５と、レコメンド結果出力装置６１０とから構成されている。なお、第４の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
記憶部４１５は、算出した相関性を記憶する。取得部５１４は、記憶部４１５に記憶された相関性を取得する。推薦度算出部５１５は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力装置６１０は、推薦度算出部５０３により算出したコンテンツごとの推薦度と推薦度算出部５１５により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンドシステムの処理＞
図１５を用いて、本実施形態に係るレコメンドシステムの処理について説明する。
まず、バッチ処理装置４１０の履歴情報収集部４０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ５０１）、相関性算出部４０２は、収集した履歴情報を解析して、相関性を定義し（ステップＳ５０２）、記憶部４１５は、算出した相関性を記憶する（ステップＳ５０３）。
リアルタイム処理装置５１０の履歴情報収集部５０１は、解析に必要な履歴情報をデータベース３００から収集し（ステップＳ５０４）、相関性算出部５０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ５０５）。推薦度算出部５０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ５０６）。また、取得部５１４は、記憶部４１５に記憶された相関性を取得し（ステップＳ５０７）、推薦度算出部５１５は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ５０８）。
そして、レコメンド結果出力装置６１０は、推薦度算出部５０３により算出したコンテンツごとの推薦度と推薦度算出部５１５により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ５０９）。
以上、説明したように、本実施形態によれば、リアルタイム処理装置が、バッチ処理装置で算出した相関性とリアルタイム処理装置で算出した相関性とから推薦度を算出し、これらの推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜第６の実施形態＞
図１６から図１８を用いて、本発明の第６の実施形態について説明する。
＜レコメンドシステムの構成＞
図１６を用いて、本実施形態に係るレコメンドシステムの構成について説明する。
本実施形態に係るレコメンドシステムは、図１６に示すように、バッチ処理装置４２０と、リアルタイム処理装置５２０と、レコメンド結果出力装置６２０とから構成され、バッチ処理装置４２０には、データベース２００が、リアルタイム処理装置５２０には、データベース３００が接続されている。
本実施形態に係るレコメンドシステムは、レコメンド処理をバッチ処理とリアルタイム処理に分けることにより、演算負荷を分散するとともに、バッチ処理装置４２０が結果をリアルタイム処理装置５２０に送信するとともに、バッチ処理装置４２０とリアルタイム処理装置５２０とからの２つの結果をレコメンド結果出力装置６２０で統合して出力する。なお、バッチ処理装置４２０としては、演算処理能力が高いクラウドサーバ、リアルタイム処理装置５２０としては、バッチ処理装置４２０同様に演算処理能力が高いクラウドサーバに加えて、比較的演算処理能力が低い携帯端末やＳＴＢ（Ｓｅｔ Ｔｏｐ Ｂｏｘ）等での実施が例示できるが、これに限るものではない。
＜レコメンドシステムの詳細な構成＞
本実施形態に係るレコメンドシステムは、図１７に示すように、バッチ処理装置４２０を構成する履歴情報収集部４０１と、相関性算出部４０２と、推薦度算出部４０３と、記憶部４２６と、リアルタイム処理装置５２０を構成する履歴情報収集部５０１と、推薦度算出部５２６と、取得部５２７と、レコメンド結果出力装置６２０とから構成されている。なお、第４の実施形態と同様の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は、省略する。
記憶部４２６は、相関性算出部４０２において定義した相関性および推薦度算出部４０３において算出した推薦度を記憶する。取得部５２７は、記憶部４２６に記憶された相関性算出部４０２において定義した相関性および推薦度算出部４０３において算出した推薦度を取得する。推薦度算出部５２６は、取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する。
レコメンド結果出力装置６２０は、推薦度算出部４０３により算出したコンテンツごとの推薦度と推薦度算出部５２６により算出したコンテンツごとの推薦度とからレコメンド結果を出力する。
＜レコメンドシステムの処理＞
図１８を用いて、本実施形態に係るレコメンドシステムの処理について説明する。
まず、バッチ処理装置４２０の履歴情報収集部４０１は、解析に必要な履歴情報をデータベース２００から収集し（ステップＳ６０１）、相関性算出部４０２は、収集した履歴情報を解析して、相関性を定義する（ステップＳ６０２）。推薦度算出部４０３は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出し（ステップＳ６０３）、記憶部４２６は、相関性算出部４０２において定義した相関性および推薦度算出部４０３において算出した推薦度を記憶する（ステップＳ６０４）。
リアルタイム処理装置５２０の履歴情報収集部５０１は、解析に必要な履歴情報をデータベース３００から収集する（ステップＳ６０５）。取得部５２７は、記憶部４２６に記憶された相関性算出部４０２において定義した相関性および推薦度算出部４０３において算出した推薦度を取得し（ステップＳ６０６）、推薦度算出部５２６は、算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する（ステップＳ６０７）。
そして、レコメンド結果出力装置６２０は、推薦度算出部４０３により算出したコンテンツごとの推薦度と推薦度算出部５２６により算出したコンテンツごとの推薦度とからレコメンド結果を出力する（ステップＳ６０８）。
以上、説明したように、本実施形態によれば、バッチ処理装置において算出した相関性を用いた推薦度と、リアルタイム処理装置がバッチ処理装置において算出した相関性を用いた推薦度とからレコメンド結果を出力するため、利用する履歴情報を制限することなく、解析に必要な計算量を軽量化して精度の高いレコメンドを実現することができる。
＜実施例１＞
図１９から図２１を用いて、実施例１について説明する。なお、本実施形態は、第１の実施形態に係るレコメンド装置をより具体的にするものである。
＜レコメンド装置の構成＞
本実施例に係るレコメンド装置は、図１９に示すように、バッチ処理部１１００と、リアルタイム処理部１２００と、レコメンド結果出力部１３００と、データベース１４１０と、縮約部１４２０と、データベース１４３０とから構成されている。
また、バッチ処理部１１００は、履歴情報収集部１１０１と、相関性算出部１１０２と、推薦度算出部１１０３と、記憶部１１０４とから構成され、リアルタイム処理部１２００は、履歴情報収集部１２０１と、相関性算出部１２０２と、推薦度算出部１２０３と、レコメンド結果出力部１３００とから構成されている。なお、第１の実施形態と同一の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は省略する。
ここで、データベース１４１０は、すべてのユーザの履歴情報等を格納するデータベースであり、縮約部１４２０は、データベース１４１０内のデータからレコメンドに適した最優良ユーザを抽出する。データベース１４３０は、縮約部１４２０が抽出した最優良ユーザの履歴情報等を格納する。
＜レコメンド装置の処理＞
図２０を用いて、本実施例に係るレコメンド装置の処理について説明する。
まず、データベース１４１０（図中、「評価履歴Ｔ」と示す）内のデータに基づき、そのＵｔｉｌｉｔｙ値から優良ユーザを抽出する。これは、全履歴データから評価データを十分残しているユーザデータを抽出する処理である。一般に、実データには、ほとんど履歴を持っていないユーザが多数おり、そのようなユーザのデータを用いると計算量が無駄に大きくなり、また、精度の向上もさほどみこめないため、データのスクリーニングを行う。
次に、最優良ユーザをランダムにサンプリングする。これは、リアルタイム処理の処理時間に間に合う程度に、データ量を縮約する処理である。なお、このとき、データの偏りのないように間引くのが好ましく、「ユーザデータをＮ個にクラスタリング→代表ユーザＮ人を各クラスタから一人ずつ選出処理」等が考えられるが、今回はその処理の簡素化のため、その都度（バッチ処理が行われる都度）ランダムにＮ人を選択する。
バッチ処理では、相関性として優良ユーザと全ユーザ間でユーザ間類似度を算出し、ユーザ毎に推薦度を算出する。ここで、ユーザ間類似度とは、非特許文献１に示されているような、ユーザによるコンテンツの評価の共通性をユーザ間で比較してユーザ間での類似尺度を定義し、推薦を受けるユーザにおいての未登録コンテンツを評価するものとする。そして、これを中間Ｔ１（記憶部１１４０に相当）に格納する。推薦時には推薦対象ユーザのユーザＩＤをキーに、推薦度を中間Ｔ１から取得し、予測評価値を得る。
一方、リアルタイム処理では、最優良ユーザをランダムにサンプリングし、該当するユーザの履歴情報を中間Ｔ２（データベース（縮約）１４３０に相当）に予め格納しておく。リアルタイム処理のときには、中間Ｔ２から最優良ユーザの履歴情報を取得するとともに、一方で、推薦対象ユーザの履歴情報を取得する。次に、この取得した情報に基づいて、推薦対象ユーザと最優良ユーザとの類似度を算出し、予測評価値を算出する。そして、予測評価値を得る。
つまり、リアルタイム処理では、レコメンド処理が必要な際、その都度、処理が稼働する。そして、処理時に、最優良ユーザのデータを取得すると同時に、評価履歴Ｔから別途、推薦を受けるユーザの履歴を取得している。そのため、推薦を受けるユーザの履歴は最新のものを利用しリアルタイムなレコメンドを実現することができる。また、その都度、相関性を計算しているため、そのときに、似たユーザを探すことができ、バッチ処理直後に登録したばかりで、バッチ処理以前の履歴が不十分なユーザに対して、当日の履歴を即時反映することを可能としている。
図２１は、推薦処理に利用するユーザとバッチ処理およびリアルタイム処理との関係を模式的に示している。この図によれば、評価履歴Ｔ内に格納された例えば、１００万人の全ユーザのデータに基づき、そのＵｔｉｌｉｔｙ値から例えば、１００００人の優良ユーザを抽出し、さらに、最優良ユーザをランダムにサンプリングすることにより、例えば、１００人の最優良ユーザを抽出して、これを中間Ｔ２に格納する。
評価履歴Ｔの情報および優良ユーザの情報は、バッチ処理に用いられ、全ユーザと優良ユーザの情報に基づいて、相関性が算出される。一方、リアルタイム処理では、評価履歴Ｔから取得する推薦対象ユーザの履歴情報と、最優良ユーザの履歴情報に基づいて、相関性が算出される。
＜実施例２＞
図２２および図２３を用いて、実施例２について説明する。なお、本実施形態は、第３の実施形態に係るレコメンド装置をより具体的にするものである。
＜レコメンド装置の構成＞
本実施例に係るレコメンド装置は、図２２に示すように、バッチ処理部１１２０と、リアルタイム処理部１２２０と、レコメンド結果出力部１３２０と、データベース１４１０ととから構成されている。
また、バッチ処理部１１２０は、履歴情報収集部１１０１と、相関性算出部１１０２と、推薦度算出部１１０３と、記憶部１１２６とから構成され、リアルタイム処理部１２２０は、履歴情報収集部１２０１と、推薦度算出部１２２６と、取得部１２２７と、レコメンド結果出力部１３２０とから構成されている。なお、第３の実施形態と同一の符号を付す構成要素については、同様の機能を有することから、その詳細な説明は省略する。
ここで、データベース１４１０は、すべてのユーザの履歴情報等を格納するデータベースである。
＜レコメンド装置の処理＞
図２３を用いて、本実施例に係るレコメンド装置の処理について説明する。
まず、データベース１４１０（図中、「評価履歴Ｔ」と示す）内のデータに基づき、そのＵｔｉｌｉｔｙ値から優良ユーザを抽出する。これは、全履歴データから評価データを十分残しているユーザデータを抽出する処理である。一般に、実データには、ほとんど履歴を持っていないユーザが多数おり、そのようなユーザのデータを用いると計算量が無駄に大きくなり、また、精度の向上もさほどみこめないため、データのスクリーニングを行う。
バッチ処理では、相関性として優良ユーザの評価履歴を用いてコンテンツ間類似度を算出し、ユーザ毎に推薦度を算出する。そして、これを中間Ｔ１に格納する。ここで、コンテンツ間類似度とは、非特許文献４に示されているような、ユーザによるコンテンツの評価の共通性をコンテンツ間で比較してコンテンツ間での類似尺度を定義し、推薦を受けるユーザにおいての未登録コンテンツを評価するものとする。推薦時には推薦対象ユーザのユーザＩＤをキーに、推薦度を中間Ｔ１から取得し、予測評価値を得る。一方で、予測評価値の計算の途中で得られるコンテンツ間類似度データを中間Ｔ２に格納する。
一方、リアルタイム処理では、推薦対象ユーザの履歴情報を取得し、中間Ｔ２より履歴情報に含まれるコンテンツに関するコンテンツ間類似度を取得する。次に、この取得した情報に基づいて、予測評価値を得る。
つまり、リアルタイム処理では、バッチ処理時に算出した類似度の値を再利用する。また、推薦対象ユーザの履歴情報を取得する際には、「最新Ｘ件」の履歴情報のみ用いてもよい。具体的には、最新Ｘ件以前を空欄にしたユーザデータを作成し予測評価値の算出を実施する。これにより、より最新の履歴に基づく推薦を可能となる。
一方で、中間Ｔ２に含まれる相関性は、バッチ処理時のコンテンツ間類似度に基づいている。そのため、当日の履歴を反映できていないが、コンテンツ間類似度はユーザ間類似度よりも変化しにくいため、その推薦精度に大きな影響を与えにくい。
なお、レコメンド装置あるいはレコメンドシステムの処理をコンピュータ読み取り可能な記録媒体に記録し、この記録媒体に記録されたプログラムをレコメンド装置あるいはバッチ処理装置、リアルタイム処理装置、レコメンド結果出力装置に読み込ませ、実行することによって本発明のレコメンド装置あるいはレコメンドシステムを実現することができる。ここでいうコンピュータシステムとは、ＯＳや周辺装置等のハードウェアを含む。
また、「コンピュータシステム」は、ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）システムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されても良い。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。
また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組合せで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。
以上、この発明の実施形態につき、図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。例えば、本発明では、利用する履歴情報はデータベース等の記憶媒体で集約管理されており、履歴情報収集部を用いてこれらを取得することを想定しているが、必ずしもこれに限るものではない。
また、本発明によるレコメンド結果の提供方法は、当該ユーザに対する一つ一つのコンテンツの推薦度を記したリストを、外部のレコメンド提示手法へと提供することを想定しているが、必ずしもこの利用方法に限るものではない。
なお、本発明のレコメンドの各処理は、一サーバによる実施、又は、機能別に特化した複数サーバの連携、若しくは負荷分散機能を用いた複数サーバの連携による実施等の実施方法であってもよい。
１１００；バッチ処理部
１１１０；バッチ処理部
１１２０；バッチ処理部
１１０１；履歴情報収集部
１１０２；相関性算出部
１１０３；推薦度算出部
１１０４；記憶部
１１１５；記憶部
１１２６；記憶部
１２００；リアルタイム処理部
１２１０；リアルタイム処理部
１２２０；リアルタイム処理部
１２０１；履歴情報収集部
１２０２；相関性算出部
１２０３；推薦度算出部
１２１４；取得部
１２１５；推薦度算出部
１２２６；推薦度算出部
１２３７；取得部
１３００；レコメンド結果出力部
１３１０；レコメンド結果出力部
１３２０；レコメンド結果出力部
１４１０；データベース
１４２０；縮約部
２００；データベース
３００；データベース
４００；バッチ処理装置
４１０；バッチ処理装置
４２０；バッチ処理装置
４０１；履歴情報収集部
４０２；相関性算出部
４０３；推薦度算出部
４０４；記憶部
４１５；記憶部
４２６；記憶部
５００；リアルタイム処理装置
５１０；リアルタイム処理装置
５２０；リアルタイム処理装置
５０１；履歴情報収集部
５０２；相関性算出部
５０３；推薦度算出部
５１４；取得部
５１５；推薦度算出部
５２６；推薦度算出部
５２７；取得部
６００；レコメンド結果出力装置
６１０；レコメンド結果出力装置
６２０；レコメンド結果出力装置

Claims (6)

  1. 購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド装置であって、
    前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理手段と、
    レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理手段と、
    前記バッチ処理手段の出力または／および前記リアルタイム処理手段の出力を統合してレコメンド結果を出力するレコメンド結果出力手段と、
    を備え、
    前記バッチ処理手段が、
    解析に必要な履歴情報を収集する第１の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段と、
    該算出した相関性を記憶する記憶手段と、
    を備え、
    前記リアルタイム処理手段が、
    解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段と、
    該算出された相関性と第２の履歴情報収集手段により収集された履歴情報とを用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段と、
    前記記憶された相関性を取得する取得手段と、
    該取得した相関性と第２の履歴情報収集手段により収集された履歴情報とを用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段と、
    を備え、
    前記レコメンド結果出力手段が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置。
  2. 購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド装置であって、
    前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理手段と、
    レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理手段と、
    前記バッチ処理手段の出力または／および前記リアルタイム処理手段の出力を統合してレコメンド結果を出力するレコメンド結果出力手段と、
    を備え、
    前記バッチ処理手段が、
    解析に必要な履歴情報を収集する第１の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段と、
    該算出された相関性と第１の履歴情報収集手段により収集された履歴情報とを用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段と、
    該定義した相関性および算出した推薦度を記憶する記憶手段と、
    を備え、
    前記リアルタイム処理手段が、
    解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段と、
    前記定義した相関性および算出した推薦度を取得する取得手段と、
    該取得した相関性と第２の履歴情報収集手段により収集された履歴情報とを用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段と、
    前記レコメンド結果出力手段が、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド装置。
  3. バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムであって、
    前記バッチ処理装置は、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するために、
    解析に必要な履歴情報を収集する第１の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第１の相関性算出手段と、
    該算出した相関性を記憶する記憶手段と、
    を備え、
    前記リアルタイム処理装置は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するために、
    解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第２の相関性算出手段と、
    該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段と、
    前記記憶された相関性を取得する取得手段と、
    該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段と、
    を備え、
    前記レコメンド装置は、前記バッチ処理装置の出力または／および前記リアルタイム処理装置の出力を統合してレコメンド結果を出力するために、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステム。
  4. バッチ処理装置とリアルタイム処理装置とレコメンド装置とからなり、購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンドシステムであって、
    前記バッチ処理装置は、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するために、
    前記バッチ処理装置は、前記履歴情報を事前に解析してレコメンドに必要な情報を生成するために、
    解析に必要な履歴情報を収集する第１の履歴情報収集手段と、
    該収集した履歴情報を解析して、相関性を定義する第１の算出手段と、
    該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第１の推薦度算出手段と、
    該定義した相関性および算出した推薦度を記憶する記憶手段と、
    を備え、
    前記リアルタイム処理装置は、レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するために、
    解析に必要な履歴情報をリアルタイムに収集する第２の履歴情報収集手段と、
    前記定義した相関性および算出した推薦度を取得する取得手段と、
    該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第２の推薦度算出手段と、
    を備え、
    前記レコメンド装置は、前記バッチ処理装置の出力または／および前記リアルタイム処理装置の出力を統合してレコメンド結果を出力するために、前記第１の推薦度算出手段により算出したコンテンツごとの推薦度と前記第２の推薦度算出手段により算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンドシステム。
  5. 購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法であって、
    前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、
    レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、
    前記バッチ処理ステップの出力または／および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、
    を備え、
    前記バッチ処理ステップが、
    解析に必要な履歴情報を収集する第１のステップと、
    該収集した履歴情報を解析して、相関性を定義する第２のステップと、
    該算出した相関性を記憶する第３のステップと、
    を備え、
    前記リアルタイム処理ステップが、
    解析に必要な履歴情報をリアルタイムに収集する第４のステップと、
    該収集した履歴情報を解析して、相関性を定義する第５のステップと、
    該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第６のステップと、
    前記記憶された相関性を取得する第７のステップと、
    該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第８のステップと、
    を備え、
    前記レコメンド結果出力ステップが、前記第６のステップにより算出したコンテンツごとの推薦度と前記第８のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法。
  6. 購買履歴や閲覧履歴等のユーザの履歴情報を元に相関性を定義し、該定義した相関性に基づいてユーザが興味を持つと予測されるコンテンツをレコメンド結果として出力する協調フィルタリング方法を用いるレコメンド方法であって、
    前記履歴情報を事前に解析してレコメンドに必要な情報を生成するバッチ処理ステップと、
    レコメンド要求の発生毎に履歴情報を解析してレコメンドに必要な情報を生成するリアルタイム処理ステップと、
    前記バッチ処理ステップの出力または／および前記リアルタイム処理ステップの出力を統合してレコメンド結果を出力するレコメンド結果出力ステップと、
    を備え、
    前記バッチ処理ステップが、
    解析に必要な履歴情報を収集する第１のステップと、
    該収集した履歴情報を解析して、相関性を定義する第２のステップと、
    該算出された相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第３のステップと、
    該定義した相関性および算出した推薦度を記憶する第４のステップと、
    を備え、
    前記リアルタイム処理ステップが、
    解析に必要な履歴情報をリアルタイムに収集する第５のステップと、
    前記定義した相関性および算出した推薦度を取得する第６のステップと、
    該取得した相関性を用いて、ユーザに対する各コンテンツの推薦度を算出する第７のステップと、
    前記レコメンド結果出力手段が、前記第３のステップにより算出したコンテンツごとの推薦度と前記第７のステップにより算出したコンテンツごとの推薦度とからレコメンド結果を出力することを特徴とするレコメンド方法。
JP2011234724A 2011-03-29 2011-10-26 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム Active JP5806081B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2011234724A JP5806081B2 (ja) 2011-03-29 2011-10-26 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
CN 201210026266 CN103077469A (zh) 2011-10-26 2012-02-07 推荐装置、推荐系统、推荐方法以及程序
CN201210083737.5A CN102737095B (zh) 2011-03-29 2012-03-27 推荐装置、推荐系统、推荐方法以及程序
PCT/JP2012/002148 WO2012132427A1 (ja) 2011-03-29 2012-03-28 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2011071560 2011-03-29
JP2011071560 2011-03-29
JP2011234724A JP5806081B2 (ja) 2011-03-29 2011-10-26 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム

Publications (2)

Publication Number Publication Date
JP2012216175A JP2012216175A (ja) 2012-11-08
JP5806081B2 true JP5806081B2 (ja) 2015-11-10

Family

ID=46930201

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2011234724A Active JP5806081B2 (ja) 2011-03-29 2011-10-26 レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム

Country Status (3)

Country Link
JP (1) JP5806081B2 (ja)
CN (1) CN102737095B (ja)
WO (1) WO2012132427A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123325B (zh) * 2013-04-28 2018-08-17 北京音之邦文化科技有限公司 多媒体文件的推荐方法和推荐服务器
JP6167029B2 (ja) * 2013-12-02 2017-07-19 株式会社Ｎｔｔドコモ レコメンド情報生成装置およびレコメンド情報生成方法
CN114065044A (zh) * 2021-11-23 2022-02-18 聚好看科技股份有限公司 一种内容推荐优化方法及服务器

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005293384A (ja) * 2004-04-02 2005-10-20 Nippon Telegr & Teleph Corp <Ntt> コンテンツレコメンドシステムと方法、及びコンテンツレコメンドプログラム
CN101071424B (zh) * 2006-06-23 2010-08-25 腾讯科技（深圳）有限公司 一种个性化信息推送系统和方法
JP2008152394A (ja) * 2006-12-14 2008-07-03 Sbi Holdings Inc 情報提供システム、情報提供プログラム、及び情報提供方法
CN101436186B (zh) * 2007-11-12 2012-09-05 北京搜狗科技发展有限公司 一种提供相关搜索的方法及系统
CN101968802A (zh) * 2010-09-30 2011-02-09 百度在线网络技术（北京）有限公司 一种基于用户浏览行为进行互联网内容推荐的方法与设备

Also Published As

Publication number Publication date
CN102737095B (zh) 2017-04-12
CN102737095A (zh) 2012-10-17
WO2012132427A1 (ja) 2012-10-04
JP2012216175A (ja) 2012-11-08

Similar Documents

Publication Publication Date Title
JP5798022B2 (ja) レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
Quercia et al. Friendsensing: recommending friends using mobile phones
KR101785219B1 (ko) 사물 인터넷 환경에서의 그룹 사용자를 위한 그룹 구성 정보 기반 서비스 추천 방법
JP5799808B2 (ja) 情報管理装置、そのデータ処理方法、およびコンピュータプログラム
US20150161517A1 (en) Device and method for predicting popularity of social data
Lian et al. Analyzing location predictability on location-based social networks
Chen et al. Qos-aware web service recommendation via collaborative filtering
JP2011227721A (ja) 関心抽出装置、関心抽出方法、及び関心抽出プログラム
CN103744918A (zh) 基于垂直领域的微博搜索排序方法及系统
JP5806081B2 (ja) レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
WO2015188885A1 (en) Method and system for determining a recommendation for content
CN104537080B (zh) 资讯推荐方法和系统
US20140179354A1 (en) Determining contact opportunities
JP2013109425A (ja) コンテンツ推薦装置及び方法及びプログラム
CN107547626B (zh) 用户画像的共享方法和装置
JP6549643B2 (ja) 視聴率推定システム、方法およびコンピュータプログラム
CN105432038A (zh) 应用排名计算装置和使用信息收集装置
JP5647575B2 (ja) レコメンド装置、レコメンドシステム、レコメンド方法およびプログラム
US9069763B2 (en) Services management application integrating social media and automated infrastructure monitoring
Otebolaku et al. Supporting context-aware cloud-based media recommendations for smartphones
US20170031918A1 (en) Techniques for graph-based recommendations
US9817996B2 (en) Information receiving device, information receiving method, and medium
JP5528388B2 (ja) 情報推薦装置及び方法及びプログラム
Khan et al. A privacy preserving improvised approach for qos aware web service recommendation
Lee et al. Personalized TV contents recommender system using collaborative context tagging-based user’s preference prediction technique

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140731

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20150609

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20150810

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20150901

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20150903

R150 Certificate of patent or registration of utility model

Ref document number: 5806081

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150